基于無人機偏振遙感的水稻冠層氮素含量反演模型

許童羽 楊佳欣 白駒馳 金忠煜 郭忠輝 于豐華

(1.沈陽農業大學信息與電氣工程學院, 沈陽 110866; 2.遼寧省農業信息化工程技術研究中心, 沈陽 110866)

0 引言

氮素是植物生長必需的營養物質之一,為植物光合作用提供重要支持,對植物生長、產量和品質有著重大影響[1]。及時、準確地判斷水稻氮素營養狀況,進而做出合理的施肥決策,對實現少氮肥高產量的目的尤為重要[2]。目前,無人機光譜遙感技術以其覆蓋面積大、速度快、無損壞等優點被廣泛應用于水稻、玉米、大豆、小麥等主要農作物的生物量檢測中[3-5]。通常,水稻氮素含量可以從葉片和冠層兩種尺度進行估算。冠層光譜參數測量作為作物氮素含量定量檢測的關鍵步驟,對監測作物生長發育至關重要。光譜遙感技術通過獲取冠層的光譜反射特性間接反映作物葉片的營養成分,為作物營養診斷和合理施肥提供參考[6-7]。大量研究表明,水稻冠層光譜反射率與葉片含氮量呈顯著正相關,且歸一化差值植被指數(NDVI)、綠波段歸一化植被指數(GNVI)、比值植被指數(RVI)等植被指數都是估測水稻葉片氮素含量的有效指標[8-9]。傅友強等[10]提出美香占2號(MXZ2H)的葉片氮素含量與NDVI、比值植被指數(RVI)、差值植被指數(DVI)等呈正相關;吉豐優1002(JFY1002) 的葉片氮素含量與 RVI、EVI、改進非線性植被指數(MNLI)、 DVI、NDVI呈正相關?？梢?利用植被指數進行水稻冠層氮素含量的反演具有一定可行性。

上述研究中,利用無人機平臺進行遙感監測時,大多都基于垂直方向進行反射強度測量,因此只能利用來自冠層頂部的光譜信息進行氮素含量的反演。而對分蘗期的水稻,垂直方向上的測量數據中包含的水稻信息較少,且由于水稻冠層結構復雜,受水體、葉傾角、太陽高度角、傳感器觀測角等[11]多種因素的影響,獲取的高光譜影像數據中包含鏡面反射分量和漫反射分量。但鏡面反射信息與植物葉片內部的物質組成無關[12]。因此,進行氮素含量反演時,有必要考慮鏡面反射對反演精度的影響。LI等[13]基于偏振多光譜成像系統,提出了一種新的鏡面反射去除植被指數(NSRVI)來消除植物的鏡面反射干擾,提高植物健康狀況檢測的準確性。該方法通過構建新的植被指數來消除鏡面反射對結果的影響。目前,在植物應用研究方面,通常使用偏振測量技術對鏡面反射分量和漫反射分量進行區分[14]。MICHIO等[15]采用不同觀測天頂角對小麥冠層進行了偏振測量,發現采用偏振度表征鏡面反射分量時,能夠更好地描述小麥抽穗期開始時間。呂云峰[16]對抽穗前不同生長時期的玉米冠層進行了垂直方向上的高光譜偏振觀測,發現偏振光在總反射光中的比例高達10%。國內外學者將偏振遙感應用于植物研究中,并取得了一定的成果,但大部分研究是利用偏振測量進行角度效應分析,缺乏偏振測量在水稻營養元素反演方面的應用。

綜上,本文在進行水稻冠層氮素含量反演時,利用無人機偏振遙感技術,將鏡面反射信息從高光譜中剝離,結合多角度觀測,分析不同觀測天頂角下,去除鏡面反射信息前后的光譜信息與水稻冠層氮素含量的相關性,進而得到無人機偏振測量的最優觀測角度?；谧顑炗^測天頂角下偏振光譜數據(即去除鏡面反射信息的高光譜數據),構建適用于偏振光譜數據的植被指數——偏振光譜植被指數(Polarisation spectrum vegetation index,PSVI),以期構建一種高效、精準的植被指數,為水稻冠層氮素含量快速檢測提供監測方法。

1 材料與方法

1.1 研究區概況

本研究試驗區位于遼寧省海城市耿莊鎮沈陽農業大學精準農業航空科研基地(40°58′45.39″N,122°43′47.006 4″E),選用水稻品種為“沈農9816”。在水稻試驗區(圖1)共設置5個氮肥梯度,即N0(0 kg/hm2)、N1(75 kg/hm2)、N2(150 kg/hm2)、N3(225 kg/hm2)和N4(300 kg/hm2),氮肥基追比為5∶3∶2。各個試驗小區之間采用田埂進行劃分。每個梯度設置3個重復小區,共設3×5=15個小區。每個小區面積為5 m×8 m=40 m2,除氮肥梯度外,每小區田間管理一致,磷鉀肥采用當地標準進行施用,磷肥標準施用量為144 kg/hm2,鉀肥標準施用量為192 kg/hm2,基追比為1∶1,其余田間管理同常規高產管理一致。田間采樣由分蘗期至抽穗期,采樣間隔7 d,每次采樣在各試驗小區選取具有代表性的3穴水稻進行水稻氮素含量與地上干物質量的獲取,最后結果取平均值作為該小區的水稻氮素含量與地上干物質量。

圖1 研究區概況Fig.1 Overview of study area

1.2 數據獲取

1.2.1水稻冠層偏振光譜反射率獲取

采用耐司鍍膜偏振鏡,卡口尺寸為37 mm,厚度為3 mm。無人機是深圳大疆創新公司制造的 M600 PRO型六旋翼無人機,搭載四川雙利合譜公司的GaiaSky-mini型高光譜成像系統,將偏振片置于成像系統鏡頭前,偏振光譜波段為400～1 000 nm,分辨率為3 nm,單幅影像記錄時間為15 s,幀速率為162 f/s,設定無人機飛行高度為100 m,選取9個觀測角度(-60°、-45°、-30°、-15°、0°、15°、30°、45°和60°)進行高光譜反射測量和偏振反射測量(其中“-”對應后向散射方向,“0°”對應垂直方向,“+”對應前向散射方向),如圖2所示,2次測量在0.5 h內完成。正午條件下,光照效果較好且風速小,既可以確保光照的穩定,又可以實現無人機平穩飛行,故將無人機光譜數據采集時間確定在10:00—14:00。用工具軟件ENVI 5.3對獲取的偏振光譜影像進行提取,通過計算每小區標簽附近的平均光譜反射率來表征水稻冠層的偏振光譜反射率信息。

圖2 水稻冠層偏振光譜多角度觀測示意圖Fig.2 Multi-angle observation diagram of rice canopy polarization spectrum

1.2.2水稻冠層氮素含量測定

在每個試驗小區的取樣點對水稻進行整穴的破壞性取樣,帶回實驗室后,將每穴水稻的所有新鮮葉片剪下置于干燥箱中,在120℃下殺青60 min后, 在80℃下干燥,達到恒定質量后,稱量并粉碎。采用凱氏定氮法利用研磨好的粉末檢測葉片的氮素含量(mg/g)。最終共得到40組水稻冠層氮素含量的有效數據。之后,使用Kennard-Stone算法[17]按照訓練集與驗證集比例7∶3將樣本劃分。氮素含量統計結果如表1所示。

表1 訓練集與驗證集水稻葉片氮素含量統計結果Tab.1 Nitrogen content statistics of japonica rice leaves in training and validation sets

1.3 最優觀測天頂角選擇

植被指數是對地表植被狀況簡單、有效和經驗的度量,其在全球和區域土地覆蓋、植被分類和環境變化等方面都有廣泛應用。此外,植被指數還可以轉換成葉冠生物的物理學參數。本研究結合現有文獻,運用6種與水稻冠層氮素含量估算相關的植被指數,即歸一化差值植被指數[18](Normalized difference vegetation index,NDVI)、比值植被指數[19](RVI)、差值植被指數[20](Difference vegetation index,DSI)、寬動態范圍植被指數[21](Wide dynamic range vegetation index,WDRVI)、再歸一化植被指數[22](Renormalized vegetation index,RDVI)以及轉換型植被指數[23](Conversion vegetation index,TVI)?；诓煌^測天頂角下的偏振光譜數據,通過Matlab平臺對各植被指數針對的波段范圍進行遍歷,找到各植被指數的最優波長組合,在此基礎上構建植被指數,計算去除偏振信息前后,各觀測角度下,植被指數與對應水稻冠層氮素含量的相關系數R。根據各天頂角下相關系數R的結果,對比得出研究所需要的最優觀測角度。

1.4 水稻冠層偏振光譜反射率特征波長選擇

由于采集到的偏振光譜波段具有較高維度,存在大量無用和干擾波段,而構建植被指數通常是對幾個特征波長進行一定的組合而形成的一種數學表達式。因此,需要基于最優觀測天頂角下的偏振光譜反射率數據,提取與水稻氮素相關的特征波長,從而通過構建植被指數反演水稻氮素含量。

本研究采用連續投影法[24](Successive projections algorithm,SPA)對最優觀測角度下的偏振光譜反射率信息進行特征波長的提取。連續投影算法是一種使矢量空間共線性最小化的前向波段選擇算法,它是將維度較高的光譜信息進行初步壓縮,把篩選出的波段按照其對氮素含量的貢獻值做進一步選擇,從而剔除不敏感波長,降低復雜度[25]。連續投影算法的優勢在于可以提取全波段的幾個特征波長,有效降低變量間的共線性,建立冗余信息最少的波段組合,實現數據降維,大大減少建模所用波段的數量。本研究采用Matlab平臺實現連續投影算法提取特征波長。

1.5 水稻冠層氮素植被指數構建

目前,大多數關于水稻氮素含量植被指數的構建并未考慮鏡面反射信息的影響。而冠層光譜探測過程中,受觀測角度、植被冠層結構等因素的影響,傳感器接收到的能量不僅包含進入植物內部多次散射后的能量(包含植物內部的生物化學信息),還包含未進入植物內部器官,在植物葉片表面發生鏡面反射的能量(只與葉片表面結構的光學特性相關)[12]。

本研究利用偏振遙感手段去除光譜信息中的鏡面反射信息,采用1.4節中從最優觀測天頂角下去除偏振信息的光譜數據中提取得到的特征波長來構建植被指數,構建植被指數的具體步驟如下:

(1)通過連續投影法降維得到最優觀測天頂角下水稻冠層偏振光譜的特征波長反射率R1、R2、…、Rn,n為光譜波段。

(3)由于氮素含量較大,均大于1 mg/g,而Qx較小,均小于1,為進一步增強二者之間的相關性,故在Qx的基礎上,均加1得Bx。

(4)為提高回歸模型擬合優度,在上述步驟的基礎上, 采用“平方變換”方法[26],最終得到最優觀測天頂角下基于偏振光譜的植被指數(PSVI)

采用線性回歸法構建水稻冠層氮素含量的反演模型,以均方根誤差(RMSE)和模型決定系數(R2)作為氮素反演模型的評價標準。

2 結果與分析

2.1 最優觀測天頂角選擇結果

基于去除偏振信息前后的各觀測天頂角測量得到的光譜數據,計算6種植被指數與水稻冠層氮素含量的相關性,為了便于對比去除偏振信息前后,各觀測角度下植被指數與氮素含量相關性的提升效果,本研究采用相關系數提升比率進行直觀展示,如圖3所示。顯然,加入偏振片會對不同觀測天頂角下的植被指數與氮素含量的相關性造成不同的影響。觀測天頂角為-60°、0°、30°與60°時,各植被指數與水稻冠層氮素含量的相關性并沒有得到提升;觀測天頂角為-45°～-15°、15°與45°時,各植被指數與水稻冠層氮素含量的相關性有明顯提升,且在-15°時,提升效果最好。

圖3 去除偏振信息后不同觀測天頂角下各植被指數與氮素含量相關性提升結果Fig.3 Results of correlation enhancement between each vegetation index and nitrogen content at different observed zenith angles after removal of polarization information

為進一步確定最優觀測天頂角,基于各觀測天頂角測量得到的偏振光譜數據獲得的6種植被指數與水稻冠層氮素含量相關性如表2所示(表中ρ為光譜反射率,下角數字表示特征波長)。由表2可知,去除偏振信息后,不同觀測天頂角下的植被指數與水稻冠層氮素含量的相關性明顯存在差異。觀測天頂角的變化會對偏振光譜反射率所構建的植被指數與水稻冠層氮素含量的相關性產生影響。在水稻冠層多角度偏振光譜實測數據中,當垂直觀測時,植被指數NDVI、RVI、DSI、WDRVI、RDVI、TVI與水稻氮素含量的相關性最低,且相關系數最大為0.677;當觀測天頂角變大時,即從垂直觀測到前向觀測15°和后向觀測15°時,各植被指數與氮素含量的相關性都有所提升,后向觀測15°時的相關性達到最高,且相關系數最小為0.802;當觀測天頂角繼續增大時,即從前后向15°到前后向30°時,各植被指數與氮素含量的相關性又明顯下降,但仍高于垂直觀測時的相關性;當觀測天頂角持續增大到前后60°時,各植被指數與氮素的相關性波動不大,但較前后30°時有所提升。綜上,-15°為最優觀測天頂角。因此,本研究選擇觀測天頂角為-15°時的偏振光譜數據進行后續植被指數的構建。

表2 基于偏振光譜數據不同觀測天頂角下植被指數與水稻冠層氮素含量的相關系數Tab.2 Correlation coefficients between vegetation index and nitrogen content of rice canopy at different observed zenith angles based on polarization spectral data

2.2 偏振光譜特征波長選擇結果

水稻冠層偏振光譜反射率對水稻氮素的定量反演十分重要,偏振光譜的本質是去除鏡面反射信息的高光譜,而連續波段的高光譜反射率信息中存在大量的冗余信息。因此,本研究應用連續投影算法對全波段的水稻冠層偏振光譜進行特征波長篩選,并利用校正集進行內部交叉驗證,當內部交叉驗證時,交叉驗證均方根誤差(Root mean square error of cross validation,RMSECV)呈現出持續下降趨勢且RMSECV達到最低,此時的RMSECV即為最優波長集合包含的波長數量,也就是該時期的最優子集波長數量。根據驗證結果的RMSECV篩選出6個水稻冠層氮素含量高光譜特征波長(圖4):500、566、663、691、736、763 nm。

圖4 水稻冠層偏振光譜特征波段SPA篩選結果Fig.4 Successive projections algorithm (SPA) screening results of hyperspectral characteristic bands of rice canopy

2.3 偏振光譜植被指數構建結果

本研究將連續投影法篩選得到的6個特征波長的反射率兩兩組合,分別進行PSVI指數運算,得到PSVI指數與水稻冠層氮素含量相關系數。圖5中最高時的組合為500、566 nm,相關系數絕對值為0.850。

圖5 PSVI指數與水稻冠層氮素含量的相關性Fig.5 Correlation between PSVI index and nitrogen content of rice canopy

2.4 水稻氮素含量反演結果

將本研究所構建的PSVI新型植被指數作為模型的輸入,利用非線性關系建立水稻冠層氮素含量的反演模型,模型訓練集R2為0.783 8, RMSE為 0.428 mg/g;驗證集RMSE為0.662 mg/g(圖6)。

圖6 水稻氮素含量反演結果Fig.6 Inversion results of rice nitrogen content

2.5 反演結果分析與評價

當前,已有眾多研究人員將植被指數作為模型輸入,對水稻冠層氮素含量進行反演,從IndexData-Base數據庫中選取6種常用于氮素反演的植被指數[17],用來與本研究所構建的新型植被指數PSVI進行對比。將6種植被指數同樣采用線性回歸的方式構建基于最優觀測角度下偏振光譜的水稻冠層氮素含量反演模型,如圖7所示,結果顯示,這6種指數所構建的反演模型的決定系數R2均小于 0.783 8,且反演精度最高的R2為0.755。綜上,本研究所構建的新型植被指數PSVI線性反演效果最好。

3 討論

目前,已有較多研究人員利用無人機遙感獲取的水稻冠層光譜反射率進行氮素含量的反演建模,但大多數研究僅基于垂直觀測下的光譜數據,通過數據驅動的方式,構建反演模型以提升水稻冠層氮素含量的反演精度。為了進一步提升水稻冠層氮素含量的反演精度,本研究結合多角度偏振測量技術與數據驅動方式,對無人機偏振遙感的水稻冠層氮素含量反演方法開展了研究,基于水稻冠層多角度偏振光譜數據,構建了新型植被指數PSVI定量估算水稻冠層葉片氮素含量。由于不同觀測天頂角下的偏振光譜存在一定的差異,本研究結合6種常用于植物氮素含量反演的植被指數,通過分析不同觀測天頂角下各植被指數與水稻冠層氮素含量的相關性,得到最優觀測天頂角為后向觀測15°,這一結果與HE等[27]研究結果一致。這是由于后向觀測主要來自具有較高反射率的水稻冠層上方陽光照射的葉片,而前向觀測包含更多來自遮陰葉片的信息,較少來自陽光照射冠層水稻葉片的信息,因此后向觀測15°在去除偏振信息的同時能夠更多地收集到來自水稻冠層的光譜信息,從而具有更高的相關性。此外,偏振光譜受植被冠層的幾何結構、平均葉傾角等影響較大。不同觀測天頂角下去除鏡面反射信息后,相關性的提升效果存在一定的差異,后續還需進一步研究。

在得到最優觀測天頂角下的偏振光譜數據后,為盡可能減少該偏振光譜信息中的冗余信息,減小變量間的共線性,本研究采用連續投影法得到與水稻冠層氮素含量相關性最好的6個特征波長,分別為500、566、663、691、736、763 nm。由于該算法可以在確保不同波段之間共線性最小的同時,保留原始數據中的大部分特征,因此篩選到的波長分別處于與葉片氮素含量較高的綠光和紅光波段,與前期的研究結果相吻合[28-29]。本研究在構建植被指數的過程中,基于表2的相關性結果可知,比值植被指數(RVI)的整體相關性較好,因此本研究將比值植被指數的比值形式作為指數構建的基礎形式,為進一步提升指數與氮素含量的相關性,利用數學變換的方法,構建了新型植被指數PSVI。該指數基于后向觀測15°下的水稻冠層偏振光譜數據進行計算,將計算結果作為模型輸入,采用線性回歸方式進行反演,得到的PSVI植被指數具有較好的反演精度。 然而在對PSVI植被指數的反演效果進行驗證時,雖然該指數的反演效果優于其它6個植被指數,但該指數用于其它數據集時可能出現反演精度下降的情況,因此存在普適性不足的問題,這也是數據驅動模型的弊端,缺乏農學機理上關于氮素含量與波段之間關系的解釋。未來的科研中需要對上述內容進行更深入探討。但由于植被指數計算簡單,檢測裝置易于開發與集成,基于植被指數的水稻冠層氮素反演方法仍具有一定的研究價值[30]。本文采用線性回歸方法構建了水稻葉片氮含量的反演模型。與其它神經網絡算法相比,線性回歸建模方法思想簡單,易于實現,建模迅速,對于小數據量、簡單的關系很有效,能夠實現對水稻冠層氮素含量的反演。

4 結論

(1)基于多角度偏振光譜數據,分析得到水稻冠層氮素含量反演的最優觀測天頂角為后向觀測15°。

(2)通過連續投影法(SPA)篩選得到的特征波長為500、566、663、691、736、763 nm。將6個特征波長兩兩組合,計算得到的PSVI指數與水稻氮素含量相關性最高時的波長組合為500、566 nm,相關系數R為0.850。

(3)以PSVI為輸入,運用線性回歸法構建的水稻冠層氮素含量反演模型,模型訓練集R2為 0.783 8,RMSE為 0.428 mg/g;驗證集RMSE為0.662 mg/g,模型的擬合度優于歸一化植被指數、比值植被指數等傳統植被指數所構建的水稻氮素含量反演模型。